大数据-Spark（一）
Spark的概念
Apache Spark™ is a unified analytics engine for large-scale data processing.
spark是针对于大规模数据处理的统一分析引擎。
spark是在Hadoop基础上的改进，是UC Berkeley AMP lab所开源的类Hadoop MapReduce的通用的并行计算框架，Spark基于map reduce算法实现的分布式计算，拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是Job中间输出和结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的map reduce的算法。
spark是基于内存计算框架，计算速度非常之快，但是它仅仅只是涉及到计算，并没有涉及到数据的存储，后期需要使用spark对接外部的数据源，比如hdfs。
Spark的四大特性
速度快
- 运行速度提高100倍
Apache Spark使用最先进的DAG调度程序，查询优化程序和物理执行引擎，实现批量和流式数据的高性能。
- spark比mapreduce快的2个主要原因
基于内存
（1）mapreduce任务后期再计算的时候，每一个job的输出结果会落地到磁盘，后续有其他的job需要依赖于前面job的输出结果，这个时候就需要进行大量的磁盘io操作。性能就比较低。
（2）spark任务后期再计算的时候，job的输出结果可以保存在内存中，后续有其他的job需要依赖于前面job的输出结果，这个时候就直接从内存中获取得到，避免了磁盘io操作，性能比较高。
对于spark程序和mapreduce程序都会产生shuffle阶段，在shuffle阶段中它们产生的数据都会落地到磁盘。
进程与线程
（1）mapreduce任务以进程的方式运行在yarn集群中，比如程序中有100个MapTask，一个task就需要一个进程，这些task要运行就需要开启100个进程。
（2）spark任务以线程的方式运行在进程中，比如程序中有100个MapTask，后期一个task就对应一个线程，这里就不在是进程，这些task需要运行，这里可以极端一点：只需要开启1个进程，在这个进程中启动100个线程就可以了。进程中可以启动很多个线程，而开启一个进程与开启一个线程需要的时间和调度代价是不一样。 开启一个进程需要的时间远远大于开启一个线程。
易用性
可以快速去编写spark程序通过 java/scala/python/R/SQL等不同语言。
通用性
spark框架不再是一个简单的框架，可以把spark理解成一个生态系统，它内部是包含了很多模块，基于不同的应用场景可以选择对应的模块去使用。
- sparksql 通过sql去开发spark程序做一些离线分析
- sparkStreaming 主要是用来解决实时计算的这种场景
- Mlib 封装了一些机器学习的算法库
- Graphx 图计算
兼容性
spark程序就是一个计算逻辑程序，这个任务要运行就需要计算资源（内存、cpu、磁盘），哪里可以给当前这个任务提供计算资源，就可以把spark程序提交到哪里去运行。
- standAlone 是spark自带的独立运行模式，整个任务的资源分配由spark集群的老大Master负责。
- yarn 可以把spark程序提交到yarn中运行，整个任务的资源分配由yarn中的老大ResourceManager负责。
- mesos 它也是apache开源的一个类似于yarn的资源调度平台。
Spark集群架构
- Driver 它会执行客户端写好的main方法，它会构建一个名叫SparkContext对象，该对象是所有spark程序的执行入口。
- Application 就是一个spark的应用程序，它是包含了客户端的代码和任务运行的资源信息。
- ClusterManager 它是给程序提供计算资源的外部服务。
- Master 它是整个spark集群的主节点，负责任务资源的分配。
- Worker 它是整个spark集群的从节点，负责任务计算的节点。
- Executor 它是一个进程，它会在worker节点启动该进程（计算资源）。
- Task spark任务是以task线程的方式运行在worker节点对应的executor进程中。
此博文仅供学习参考，如有错误欢迎指正。
上一篇《大数据-scala（十三）》
下一篇《大数据-Spark（二）》